KR101969064B1 - Method of predicting road congestion based on deep learning and controlling signal and server performing the same - Google Patents

Method of predicting road congestion based on deep learning and controlling signal and server performing the same Download PDF

Info

Publication number
KR101969064B1
KR101969064B1 KR1020180127199A KR20180127199A KR101969064B1 KR 101969064 B1 KR101969064 B1 KR 101969064B1 KR 1020180127199 A KR1020180127199 A KR 1020180127199A KR 20180127199 A KR20180127199 A KR 20180127199A KR 101969064 B1 KR101969064 B1 KR 101969064B1
Authority
KR
South Korea
Prior art keywords
intersection
control target
traffic
time
dimensional space
Prior art date
Application number
KR1020180127199A
Other languages
Korean (ko)
Inventor
백승태
Original Assignee
주식회사 블루시그널
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 블루시그널 filed Critical 주식회사 블루시그널
Priority to KR1020180127199A priority Critical patent/KR101969064B1/en
Priority to US16/186,899 priority patent/US10902719B2/en
Priority to CN201811506394.2A priority patent/CN111091705A/en
Application granted granted Critical
Publication of KR101969064B1 publication Critical patent/KR101969064B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/30—Transportation; Communications
    • G06Q50/40—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions

Abstract

The present invention relates to a deep learning-based downtown traffic congestion prediction, and a deep-learning based downtown traffic congestion prediction and a signal control solution method implemented in a signal control solution server. According to an embodiment of the present invention, the deep learning-based downtown traffic congestion prediction, and the deep-learning based downtown traffic congestion prediction and the signal control solution method implemented in the signal control solution server comprises the steps of: analyzing a traffic demand pattern for each intersection or an outflow traffic volume behavior for each area according to a traffic signal control and determining a specific intersection as a control target intersection based on a result of the analysis; analyzing data for the control target intersection among predetermined customized composite data, and a plurality of image data for the control target intersection in terms of time and space and generating a two-dimensional space-time image; generating a real time traffic congestion index by using the two-dimensional space-time image for the control target intersection, and the two-dimensional space-time image for the control target intersection data among the customized composite data; and controlling a signal of the control target intersection according to the real time traffic congestion index.

Description

딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법 및 이를 실행하는 서버{METHOD OF PREDICTING ROAD CONGESTION BASED ON DEEP LEARNING AND CONTROLLING SIGNAL AND SERVER PERFORMING THE SAME}TECHNICAL FIELD [0001] The present invention relates to a deep run based urban traffic congestion prediction and signal control solution method, and a server for implementing the method.

*본 발명의 실시예들은 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법 및 이를 실행하는 서버에 관한 것이다.Embodiments of the present invention relate to a deep running based urban traffic congestion prediction and signal control solution method and a server executing the method.

교통 신호 제어 시스템은 교차로에서 상충되는 교통류의 이동 우선권을 통제함으로 안전과 소통효율을 증가시키는 중요한 시스템이다. 하지만 잘못된 현황파악 및 신호운영은 오히려 소통효율을 악화시켜 정체를 가중시키고 운전자의 무리한 운전패턴을 유도하여 위험을 초래하는 계기가 된다. Traffic signal control system is an important system that increases the safety and communication efficiency by controlling the priority of moving traffic which is conflicting at the intersection. However, misunderstanding of current situation and operation of signal is deteriorating communication efficiency, thereby increasing congestion and inducing dangerous driving pattern of driver.

현재 서울시를 포함한 광역시 및 중소도시 21개 지자체에서 교통 신호 제어 시스템이 구축되어 있으나, 교통정보 수집체계인 루프검지기의 관리 및 운영상의 한계로 감응식으로 운영하지 못하고 대부분의 교차로를 TOD 방식으로 운영되고 있다.Traffic signal control system has been established in 21 municipalities of metropolitan cities and small cities including Seoul. However, most of the intersections are operated by TOD system because of the limit of management and operation of loop detector, which is a traffic information collection system. have.

고정식은 해당교차로의 대략적인 교통량을 근거로 신호시간을 계획하고, TOD방식은 교통량이 크게 급변하는 출퇴근 시간, 교통량이 일정한 낮 시간대와 새벽시간대의 교통량을 전수조사하여 파악된 교통량을 근거로 신호시간을 계산하게 된다. The stationary type plans the signal time based on the approximate traffic volume of the intersection. The TOD method measures the traffic volume of daily and morning time traffic, .

유지보수 측면에서 통행패턴이 일정하게 유지되는 교차로는 고정식 또는 TOD 신호방식이 유리하겠지만, 도시내 도로의 운영방식의 변화 등 환경적인 요인으로 교통패턴이 변화하기 때문에 기 계획된 신호시간이 변화된 패턴에 반응하지 못하여 비효율적으로 운영되기도 하고, 이를 위해 교차로의 교통량을 모니터링하거나 매번 조사할 수 없는 실정이다.In terms of maintenance, the intersection where the traffic pattern is kept constant is advantageous for the fixed or TOD signaling method. However, since the traffic pattern changes due to the environmental factors such as the change of the operation mode of the road in the city, In order to do this, it is not possible to monitor the traffic volume at the intersection or to investigate it every time.

본 발명은 혼잡 교차로의 교통 신호 제어를 위하여 예측된 혼잡 시간에 인공지능 교통 신호 제어 기술을 적용함으로써 교통혼잡비용 문제를 해결할 수 있도록 하는 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법 및 이를 실행하는 서버를 제공하는 것을 목적으로 한다.The present invention relates to a deep learning-based urban traffic congestion prediction and signal control solution method for solving a traffic congestion cost problem by applying an artificial intelligent traffic signal control technique to a predicted congestion time for traffic signal control at a congested intersection, Server.

또한, 본 발명은 실시간으로 수집되는 교차로별 소통정보를 모니터링하고, 도시의 교통운영관리가 보다 객관적이고 체계적으로 가능할 것으로 기대되는 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법 및 이를 실행하는 서버를 제공하는 것을 목적으로 한다.In addition, the present invention provides a deep running-based urban traffic congestion prediction and signal control solution method, which monitors traffic information for each intersection collected in real time and is expected to be more objectively and systematically available for traffic operation management in a city, and a server The purpose is to provide.

또한, 본 발명은 환경에 따라 변화하는 수요에 대응이 가능한 교차로 신호운영으로 도시내 혼잡을 줄일 수 있도록 하는 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법 및 이를 실행하는 서버를 제공하는 것을 목적으로 한다.It is another object of the present invention to provide a deep running-based urban traffic congestion prediction and signal control solution method and a server for implementing the same, which can reduce congestion in a city by operating an intersection signal capable of responding to a demand varying according to environment do.

또한, 본 발명은 교통혼잡 감소에 따른 여행경비 및 물류비용 등이 절감되어 사회적 편익 발생하며, 신규 구축된 교통 인프라에 교통정보뿐 아니라 (현) 교차로의 실시간 상황을 반영한 신호주기가 가능토록 하며, 기존 인프라의 변경이나 추가 비용 없이 용할 수 있어 활용성이 높은 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법 및 이를 실행하는 서버를 제공하는 것을 목적으로 한다.In addition, the present invention reduces the travel cost and logistics cost due to the reduction of traffic congestion, thereby providing social benefits, and enables the signal period to reflect not only traffic information but also real- It is an object of the present invention to provide a deep run-based urban traffic congestion prediction and signal control solution method which can be used without modification of existing infrastructure or at an additional cost, and a server executing the method.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present invention are not limited to the above-mentioned problem (s), and another problem (s) not mentioned can be clearly understood by those skilled in the art from the following description.

실시예들 중에서, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버에서 실행되는 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법은 교차로 별 교통 수요 패턴 또는 교통 신호 제어에 따른 지역 단위 유출 교통량 행태를 분석하고, 상기 분석 결과에 따라 특정 교차로를 제어 대상 교차로로 결정하는 단계, 미리 결정된 맞춤형 복합 데이터 중 상기 제어 대상 교차로에 대한 데이터 및 상기 제어 대상 교차로에 대한 복수의 이미지 데이터를 시간 및 공간으로 분석하여 2차원 시공간 이미지를 생성하는 단계, 상기 제어 대상 교차로에 대한 2차원 시공간 이미지 및 상기 맞춤형 복합 데이터 중 상기 제어 대상 교차로의 데이터에 대한 2차원 시공간 이미지를 이용하여 실시간 교통 혼잡 지수를 생성하는 단계 및 상기 실시간 교통 혼잡 지수에 따라 상기 제어 대상 교차로의 신호를 제어하는 단계를 포함한다.Among the embodiments, the Deep Learning based urban traffic congestion prediction and signal control solution method executed in the deep learning based urban traffic congestion prediction and signal control solution server is based on the intersection traffic demand pattern Analyzing the plurality of image data for the control target intersection and the plurality of image data for the control target intersection among the predetermined customized composite data in terms of time and space according to the analysis result, Generating a real time traffic congestion index using a two-dimensional space-time image of the control target intersection and a two-dimensional space-time image of the control target intersection data among the customized complex data, Real-time traffic horn Depending on the index comprises the step of controlling a signal from the control target intersection.

실시예들 중에서, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버는 교차로 별 교통 수요 패턴 또는 교통 신호 제어에 따른 지역 단위 유출 교통량 행태를 분석하고, 상기 분석 결과에 따라 특정 교차로를 제어 대상 교차로로 결정하는 제어 대상 교차로 결정부, 미리 결정된 맞춤형 복합 데이터 중 상기 제어 대상 교차로에 대한 데이터 및 상기 제어 대상 교차로에 대한 복수의 이미지 데이터를 시간 및 공간으로 분석하여 2차원 시공간 이미지를 생성하는 2차원 시공간 이미지 생성부, 상기 제어 대상 교차로에 대한 2차원 시공간 이미지 및 상기 맞춤형 복합 데이터 중 상기 제어 대상 교차로의 데이터에 대한 2차원 시공간 이미지를 이용하여 실시간 교통 혼잡 지수를 생성하는 실시간 교통 혼잡 지수 생성부 및 상기 실시간 교통 혼잡 지수에 따라 상기 제어 대상 교차로의 신호를 제어하는 신호 제어부를 포함한다.Among the embodiments, the deep learning-based urban traffic congestion prediction and signal control solution server analyzes the traffic demand pattern for each intersection or the traffic pattern for the outflow traffic according to the traffic signal control, and determines a specific intersection as a control target intersection Dimensional space-time image that generates a two-dimensional space-time image by analyzing data on the control target intersection and a plurality of image data on the control target intersection in time and space among predetermined customized complex data, A real time traffic congestion index generator for generating a real time traffic congestion index using a two-dimensional space-time image of the control target intersection and a two-dimensional space-time image of data of the control target intersection among the customized complex data, Traffic Congestion Index According to a signal control unit for controlling the signal of the control target intersection.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 첨부 도면들에 포함되어 있다.The details of other embodiments are included in the detailed description and the accompanying drawings.

본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 유사 참조 부호는 유사 구성요소를 지칭한다.BRIEF DESCRIPTION OF THE DRAWINGS The advantages and / or features of the present invention, and how to accomplish them, will become apparent with reference to the embodiments described in detail below with reference to the accompanying drawings. It should be understood, however, that the invention is not limited to the disclosed embodiments, but is capable of many different forms and should not be construed as limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete, To fully disclose the scope of the invention to those skilled in the art, and the invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout the specification.

본 발명의 일 실시예에 따르면, 혼잡 교차로의 교통 신호 제어를 위하여 예측된 혼잡 시간에 인공지능 교통 신호 제어 기술을 적용함으로써 교통혼잡비용 문제를 해결할 수 있다는 장점이 있다.According to an embodiment of the present invention, there is an advantage that the traffic congestion cost problem can be solved by applying the artificial intelligent traffic signal control technique to the predicted congestion time for the traffic signal control of the congested intersection.

또한 본 발명의 일 실시예에 따르면, 실시간으로 수집되는 교차로별 소통정보를 모니터링하고, 도시의 교통운영관리가 보다 객관적이고 체계적으로 가능할 것으로 기대된다는 장점이 있다.According to an embodiment of the present invention, there is an advantage that traffic information for each intersection collected in real time is monitored, and traffic operation management in the city is expected to be possible more objectively and systematically.

또한 본 발명의 일 실시예에 따르면, 환경에 따라 변화하는 수요에 대응이 가능한 교차로 신호운영으로 도시내 혼잡을 줄일 수 있다는 장점이 있다.According to an embodiment of the present invention, there is an advantage that congestion in a city can be reduced by operating an intersection signal capable of responding to a demand varying according to an environment.

또한 본 발명의 일 실시예에 따르면, 교통혼잡 감소에 따른 여행경비 및 물류비용 등이 절감되어 사회적 편익 발생하며, 신규 구축된 교통 인프라에 교통정보뿐 아니라 (현) 교차로의 실시간 상황을 반영한 신호주기가 가능토록 하며, 기존 인프라의 변경이나 추가 비용 없이 용할 수 있어 활용성이 높다는 장점이 있다.In addition, according to the embodiment of the present invention, it is possible to reduce the travel cost and the logistics cost due to the reduction of traffic congestion, thereby providing social benefits, and to provide a signal period And it can be used without changing the existing infrastructure or at an additional cost.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 시스템을 설명하기 위한 개념도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버의 내부 구조를 설명하기 위한 블록도이다.
도 3은 본 발명에 따른 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법의 일 실시예를 설명하기 위한 흐름도이다.1 is a conceptual diagram illustrating a deep learning based urban traffic congestion prediction and signal control solution system according to an embodiment of the present invention.
FIG. 2 is a block diagram illustrating an internal structure of a deep learning-based urban traffic congestion prediction and signal control solution server according to an exemplary embodiment of the present invention. Referring to FIG.
FIG. 3 is a flowchart illustrating an embodiment of a deep learning-based urban traffic congestion prediction and signal control solution method according to the present invention.

이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 시스템을 설명하기 위한 개념도이다.1 is a conceptual diagram illustrating a deep learning based urban traffic congestion prediction and signal control solution system according to an embodiment of the present invention.

도 1을 참조하면, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 시스템은 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100), 날씨 정보 제공 서버(200), 도로 상황 정보 제공 서버(300) 및 교차로 정보 제공 서버(400)를 포함한다.1, the deep learning-based urban traffic congestion prediction and signal control solution system includes a deep learning-based urban traffic congestion prediction and signal control solution server 100, a weather information providing server 200, a road situation information providing server 300 And an intersection information providing server 400.

딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 제어 대상 교차로 대한 실시간 교통 혼합 지수를 생성한 후 실시간 교통 혼합 지수에 따라 제어 대상 교차로의 신호를 제어하는 서버이다.The deep learning-based urban traffic congestion prediction and signal control solution server 100 is a server for controlling a signal of a control target intersection according to a real-time traffic mix index after generating a real-time traffic mix index for a control target intersection.

이를 위해, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 교차로 별 혼잡도를 분석하고, 상기 분석 결과에 따라 특정 교차로를 제어 대상 교차로로 결정한다.To this end, the deep learning-based urban traffic congestion prediction and signal control solution server 100 analyzes the congestion by intersection and determines a specific intersection as a control target intersection according to the analysis result.

일 실시예에서, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 교통 수요 패턴에 따른 지역 단위 유출 교통량 행태를 분석하여 지역 단위 교통량 변화를 결정하고, 지역 단위 교통량 변화에 따라 특정 교차로를 제어 대상 교차로로 결정한다.In one embodiment, the deep learning-based urban traffic congestion prediction and signal control solution server 100 analyzes the regional outflow traffic volume behavior according to the traffic demand pattern to determine the regional traffic volume change, As the control target intersection.

상기의 실시예에서, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 도심부 도로 네트워크 지역 외부로 향하는 교통 수요(outbound demand)와 주거 도로 및 주차 공간과 같은 지역 내부로 향하는 교통 수요(local demand)에 대한 분석을 실행하여 지역 단위 교통량 변화를 결정한다. In the above embodiment, the deep learning-based urban traffic congestion prediction and signaling control solution server 100 determines the outbound demand to the outside of the urban road network area and the traffic demand to the inside area such as the residential road and the parking space Local demand is analyzed to determine regional traffic volume changes.

또한, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 각 종류별 교통 수요의 비율 및 교통량(traffic volume)에 따라서 해당 지역의 유출 교통량(network outflow) 변화 행태에 대한 분석 실행하여 지역 단위 교통량 변화를 결정한다. Also, the deep learning-based urban traffic congestion prediction and signal control solution server 100 analyzes and analyzes the network outflow change behavior of each region according to the traffic demand ratio and the traffic volume of each region, Determine traffic volume changes.

다른 일 실시예에서, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 교통 신호 제어에 따른 지역 단위 유출 교통량 행태를 분석하여 지역 단위 교통량 변화를 결정하고, 지역 단위 교통량 변화에 따라 특정 교차로를 제어 대상 교차로로 결정한다.In another embodiment, the deep learning-based urban traffic congestion prediction and signal control solution server 100 analyzes the regional outflow traffic volume behavior based on the traffic signal control to determine the regional traffic volume change, The intersection is determined as the control target intersection.

지역간 이동할 수 있는 차량수의 최대값인 경계 용량(boundary capacity)에따라 도심 지역간 경계에 해당하는 교차로 사이에서의 신호 주기가 결정된다. 따라서, 제어 대상 교차로 결정부(110)는 교차로 사이에서의 신호 주기 조절에 따른 경계 용량 변화에 의하여 영향을 받게 되는 유출 교통량 행태를 분석한다. The signal cycle between intersections corresponding to the boundary between urban areas is determined according to the boundary capacity, which is the maximum value of the number of vehicles that can be moved between regions. Therefore, the control intersection determining unit 110 analyzes the outflow traffic volume behavior that is affected by the boundary capacity change due to the signal period control between the intersections.

딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 상기의 과정을 통해 제어 대상 교차로가 결정되면, 제어 대상 교차로에 대한 2차원 시공간 이미지 및 맞춤형 복합 데이터에 대한 2차원 시공간 이미지를 생성한다. When the control target intersection is determined through the above process, the deep learning-based urban traffic congestion prediction and signal control solution server 100 generates a two-dimensional space-time image for the two-dimensional space-time image and the customized complex data for the control target intersection .

먼저, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)가 제어 대상 교차로에 대한 2차원 시공간 이미지를 생성하는 과정을 설명하기로 한다.First, a description will be made of a process in which the deep running-based urban traffic congestion prediction and signal control solution server 100 generates a two-dimensional space-time image for an intersection to be controlled.

딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 제어 대상 교차로에 대한 복수의 이미지 데이터를 시간 및 공간으로 분석하여 제어 대상 교차로에 대한 2차원 시공간 이미지를 생성한다.The deep learning-based urban traffic congestion prediction and signal control solution server 100 generates a two-dimensional space-time image for the control target intersection by analyzing a plurality of image data of the control target intersection in terms of time and space.

먼저, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 제어 대상 교차로에 대한 이미지 데이터를 분석하여 2차원 시공간 행렬로 각각 표현하고, 각각의 2차원 시공간 행렬을 이용하여 2차원 이미지를 생성한다.First, the deep learning-based urban traffic congestion prediction and signal control solution server 100 analyzes the image data of an intersection to be controlled and expresses the image data as a two-dimensional space-time matrix, and uses the two- .

딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 제어 대상 교차로에 대한 복수의 이미지 데이터에서 공간을 특정 개수의 구간으로 나누어 2차원 시간 및 공간에 대한 그리드를 생성한 후, 각각의 구간마다의 평균 통행 속도를 계산한다. The deep learning-based urban traffic congestion prediction and signal control solution server 100 generates a grid for a two-dimensional time and space by dividing a space from a plurality of image data for an intersection to be controlled into a predetermined number of sections, And calculates the average traveling speed of the vehicle.

그런 다음, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 평균 통행 속도에 따라 해당 구간을 복수의 채널 중 어느 하나의 채널로 결정한 후, 결정된 채널에 해당하는 수치를 그리드에 입력한다. Then, the deep learning-based urban traffic congestion prediction and signal control solution server 100 determines a corresponding interval as one of a plurality of channels according to the average traffic speed, and inputs a value corresponding to the determined channel to the grid .

예를 들어, 2차원 시공간 이미지 생성부(120)는 평균 통행 속도에 따라 해당 구간을 R(Red) 채널, G(Green) 채널 및 B(Blue) 채널 중 어느 하나의 채널로 분류된다. 각각의 채널은 8비트의 256 색을 가지는 수치로 표현된다. 즉, 평균 통행 속도는 그 역으로 수치가 3채널의 RGB 색으로 보통은 0~1사이의 값으로 표시할 수 있다.For example, the two-dimensional spatio-temporal image generating unit 120 classifies the corresponding period into one of an R (Red) channel, a G (Green) channel, and a B (Blue) channel according to an average traffic speed. Each channel is represented by a value with 256 colors of 8 bits. In other words, the average traffic speed is the RGB color of the three channels in the reverse order, and can usually be expressed as a value between 0 and 1.

그러면, 이하에서는 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 맞춤형 복합 데이터 중 제어 대상 교차로에 해당하는 데이터를 시간 및 공간으로 분석하여 맞춤형 복합 데이터에 대한 2차원 시공간 이미지를 생성하는 과정을 설명하기로 한다.Hereinafter, the deep learning-based urban traffic congestion prediction and signal control solution server 100 analyzes the data corresponding to the control target intersection among the customized complex data in terms of time and space to generate a two-dimensional space-time image for the customized complex data The process will be explained.

상기에서 맞춤형 복합 데이터는 기상 정보, 도로 환경 정보, 시간 환경 정보, 돌발 상황 정보를 포함한다. 기상 정보는 날씨 정보, 미세 먼지 정보 등을 포함하고, 도로 환경 정보는 소통 상황 정보, 통행 교통량 정보 등을 포함하고, 돌발 상황 정보는 교통 사고 정보, 고장 차량 정보, 도로 통제 정보 등을 포함하고, 시간 환경 정보는 시간 정보, 휴일 정보 등을 포함한다.The custom composite data includes weather information, road environment information, time environment information, and unexpected situation information. The weather information includes weather information and fine dust information. The road environment information includes traffic situation information, traffic volume information, and the like. Incident situation information includes traffic accident information, broken vehicle information, road control information, The time environment information includes time information, holiday information, and the like.

딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 제어 대상 교차로에 대한 복수의 이미지 데이터를 시간 및 공간으로 분석하여 제어 대상 교차로에 대한 2차원 시공간 이미지를 생성한다.The deep learning-based urban traffic congestion prediction and signal control solution server 100 generates a two-dimensional space-time image for the control target intersection by analyzing a plurality of image data of the control target intersection in terms of time and space.

먼저, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 맞춤형 복합 데이터 중 시간 환경 정보 별로 날씨 정보 및 돌발 상황 정보 및 각각에 대한 공간 정보(예를 들어, 위치 정보)를 통해 도로 환경 정보와 융합하여 2차원 시공간 이미지를 생성한다. 그런 다음, 2차원 시공간 이미지 생성부(120)는 도로 환경 정보를 기초로 레이블링된다. First, the deep learning-based urban traffic congestion prediction and signal control solution server 100 transmits weather information and unexpected situation information and time information (e.g., location information) And generates a two-dimensional space-time image by merging with information. Then, the two-dimensional space-time image generating unit 120 is labeled based on the road environment information.

그런 다음, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 제어 대상 교차로에 대한 2차원 시공간 이미지 및 맞춤형 복합 데이터에 대한 2차원 시공간 이미지를 이용하여 실시간 교통 혼잡 지수를 생성한다.Next, the deep learning-based urban traffic congestion prediction and signal control solution server 100 generates a real time traffic congestion index using a two-dimensional space-time image of the intersection to be controlled and a two-dimensional space-time image of the customized complex data.

그 후, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 실시간 교통 혼잡 지수에 따라 제어 대상 교차로의 신호를 제어한다.Thereafter, the deep learning-based urban traffic congestion prediction and signal control solution server 100 controls the signal of the control target intersection according to the real-time traffic congestion index.

날씨 정보 제공 서버(200)는 기상 정보를 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)에 제공한다. 기상 정보는 날씨 정보, 미세 먼지 정보 등을 포함한다.The weather information providing server 200 provides the weather information to the deep learning based urban traffic congestion prediction and signal control solution server 100. The weather information includes weather information, fine dust information, and the like.

도로 상황 정보 제공 서버(300)는 도로 상황 정보를 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)에 제공한다. 도로 상황 정보는 도로 환경 정보 및 돌발 상황 정보를 포함하고, 도로 환경 정보는 소통 상황 정보, 통행 교통량 정보 등을 포함하고, 돌발 상황 정보는 교통 사고 정보, 고장 차량 정보, 도로 통제 정보 등을 포함한다.The road condition information providing server 300 provides the road condition information to the deep learning based urban traffic congestion prediction and signal control solution server 100. [ The road situation information includes road environment information and sudden situation information. The road environment information includes traffic situation information, traffic volume information, and the like. Incident situation information includes traffic accident information, broken-down vehicle information, road control information, .

교차로 정보 제공 서버(400)는 교차로 별 식별 정보를 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)에 제공한다. 따라서, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 교차로 별 식별 정보를 이용하여 이용하여교차로 별 혼잡도를 분석하고, 상기 분석 결과에 따라 특정 교차로를 제어 대상 교차로로 결정할 수 있다.The intersection information providing server 400 provides identification information for each intersection to the deep learning based urban traffic congestion prediction and signal control solution server 100. [ Accordingly, the deep learning-based urban traffic congestion prediction and signal control solution server 100 can analyze the congestion level by intersection using the identification information for each intersection, and determine the specific intersection as the control target intersection according to the analysis result.

도 2는 본 발명의 일 실시예에 따른 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버의 내부 구조를 설명하기 위한 블록도이다.FIG. 2 is a block diagram illustrating an internal structure of a deep learning-based urban traffic congestion prediction and signal control solution server according to an exemplary embodiment of the present invention. Referring to FIG.

도 2를 참조하면, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 제어 대상 교차로 결정부(110), 2차원 시공간 이미지 생성부(120), 실시간 교통 혼잡 지수 생성부(130), 신호 제어부(140), 교차로 별 식별 정보 DB(150), 기상 정보 DB(160), 도로 환경 정보 DB(170) 및 돌발 상황 정보 DB(180)를 포함한다. 2, the deep learning based urban traffic congestion prediction and signal control solution server 100 includes a control intersection determining unit 110, a two-dimensional spatio-temporal image generating unit 120, a real-time traffic congestion exponent generating unit 130, A signal control unit 140, an intersection identification information DB 150, a weather information DB 160, a road environment information DB 170 and an unexpected situation information DB 180.

제어 대상 교차로 결정부(110)는 교차로 별 식별 정보 DB(150)를 이용하여교차로 별 혼잡도를 분석하고, 상기 분석 결과에 따라 특정 교차로를 제어 대상 교차로로 결정한다.The control target intersection determining unit 110 analyzes the congestion level of each intersection using the identification information DB 150 for each intersection and determines a specific intersection as a control target intersection according to the analysis result.

일 실시예에서, 제어 대상 교차로 결정부(110)는 교통 수요 패턴에 따른 지역 단위 유출 교통량 행태를 분석하여 지역 단위 교통량 변화를 결정한다. In one embodiment, the control intersection determining unit 110 determines a regional traffic volume change by analyzing an area-based outflow traffic volume behavior according to a traffic demand pattern.

상기의 실시예에서, 제어 대상 교차로 결정부(110)는 도심부 도로 네트워크 지역 외부로 향하는 교통 수요(outbound demand)와 주거 도로 및 주차 공간과 같은 지역 내부로 향하는 교통 수요(local demand)에 대한 분석을 실행하여 지역 단위 교통량 변화를 결정한다. In the above embodiment, the control intersection determining unit 110 analyzes the outbound demand for the outside of the urban road network area and the local demand for the inside of the area such as the residential road and the parking space. To determine the regional traffic volume change.

또한, 제어 대상 교차로 결정부(110)는 각 종류별 교통 수요의 비율 및 교통량(traffic volume)에 따라서 해당 지역의 유출 교통량(network outflow) 변화 행태에 대한 분석 실행하여 지역 단위 교통량 변화를 결정한다. In addition, the control intersection determining unit 110 analyzes the network outflow change behavior of the corresponding area according to the traffic demand ratio and the traffic volume of each type to determine the change in the traffic volume per unit area.

다른 일 실시예에서, 제어 대상 교차로 결정부(110)는 교통 신호 제어에 따른 지역 단위 유출 교통량 행태를 분석하여 지역 단위 교통량 변화를 결정한다. In another embodiment, the control intersection determining unit 110 analyzes the regional outflow traffic volume behavior according to the traffic signal control to determine the regional traffic volume change.

지역간 이동할 수 있는 차량수의 최대값인 경계 용량(boundary capacity)에따라 도심 지역간 경계에 해당하는 교차로 사이에서의 신호 주기가 결정된다. 따라서, 제어 대상 교차로 결정부(110)는 교차로 사이에서의 신호 주기 조절에 따른 경계 용량 변화에 의하여 영향을 받게 되는 유출 교통량 행태를 분석한다. The signal cycle between intersections corresponding to the boundary between urban areas is determined according to the boundary capacity, which is the maximum value of the number of vehicles that can be moved between regions. Therefore, the control intersection determining unit 110 analyzes the outflow traffic volume behavior that is affected by the boundary capacity change due to the signal period control between the intersections.

2차원 시공간 이미지 생성부(120)는 기상 정보 DB(160), 도로 환경 정보 DB(170) 및 돌발 상황 정보 DB(180)를 이용하여 맞춤형 복합 데이터 중 제어 대상 교차로에 해당하는 데이터를 시간 및 공간으로 분석하여 맞춤형 복합 데이터에 대한 2차원 시공간 이미지를 생성한다. 이때, 맞춤형 복합 데이터는 기상 정보 DB(160)에 저장된 기상 정보, 도로 환경 정보 DB(170)에 저장된 도로 환경 정보, 시간 환경 정보, 돌발 상황 정보 DB(180)에 저장된 돌발 상황 정보를 포함한다. The two-dimensional spatio-temporal image generating unit 120 generates the two-dimensional spatio-temporal image by using the weather information DB 160, the road environment information DB 170 and the sudden situation information DB 180, And generates a two-dimensional space-time image of the customized composite data. At this time, the customized composite data includes weather information stored in the weather information DB 160, road environment information stored in the road environment information DB 170, time environment information, and sudden situation information stored in the sudden situation information DB 180.

기상 정보는 날씨 정보, 미세 먼지 정보 등을 포함하고, 도로 환경 정보는 소통 상황 정보, 통행 교통량 정보 등을 포함하고, 돌발 상황 정보는 교통 사고 정보, 고장 차량 정보, 도로 통제 정보 등을 포함하고, 시간 환경 정보는 시간 정보, 휴일 정보 등을 포함한다.The weather information includes weather information and fine dust information. The road environment information includes traffic situation information, traffic volume information, and the like. Incident situation information includes traffic accident information, broken vehicle information, road control information, The time environment information includes time information, holiday information, and the like.

보다 구체적으로, 2차원 시공간 이미지 생성부(120)는 맞춤형 복합 데이터 중 시간 환경 정보 별로 날씨 정보 및 돌발 상황 정보 및 각각에 대한 공간 정보(예를 들어, 위치 정보)를 통해 도로 환경 정보와 융합하여 2차원 시공간 이미지를 생성한다. 그런 다음, 2차원 시공간 이미지 생성부(120)는 도로 환경 정보를 기초로 레이블링된다. More specifically, the two-dimensional spatio-temporal image generating unit 120 fuses with the road environment information through the weather information and the sudden situation information and the spatial information (e.g., position information) for each time environment information among the customized composite data Dimensional space-time image. Then, the two-dimensional space-time image generating unit 120 is labeled based on the road environment information.

또한, 2차원 시공간 이미지 생성부(120)는 제어 대상 교차로에 대한 복수의 이미지 데이터를 시간 및 공간으로 분석하여 제어 대상 교차로에 대한 2차원 시공간 이미지를 생성한다.In addition, the two-dimensional space-time image generating unit 120 generates a two-dimensional space-time image for the control target intersection by analyzing a plurality of image data for the control target intersection in terms of time and space.

먼저, 2차원 시공간 이미지 생성부(120)는 제어 대상 교차로에 대한 이미지 데이터를 분석하여 2차원 시공간 행렬로 각각 표현하고, 각각의 2차원 시공간 행렬을 이용하여 2차원 이미지를 생성한다.First, the two-dimensional spatiotemporal image generation unit 120 analyzes the image data of the control target intersection, expresses the two-dimensional space-time matrix, and generates a two-dimensional image using each two-dimensional space-time matrix.

2차원 시공간 이미지 생성부(120)는 제어 대상 교차로에 대한 복수의 이미지 데이터에서 공간을 특정 개수의 구간으로 나누어 2차원 시간 및 공간에 대한 그리드를 생성한 후, 각각의 구간마다의 평균 통행 속도를 계산한다. The two-dimensional spatiotemporal image generation unit 120 generates a grid for a two-dimensional time and space by dividing a space from a plurality of image data for an intersection to be controlled into a predetermined number of intervals, .

그런 다음, 2차원 시공간 이미지 생성부(120)는 평균 통행 속도에 따라 해당 구간을 복수의 채널 중 어느 하나의 채널로 결정한 후, 결정된 채널에 해당하는 수치를 그리드에 입력한다. Then, the two-dimensional spatio-temporal image generating unit 120 determines a corresponding interval as one of a plurality of channels according to the average traffic speed, and inputs a value corresponding to the determined channel to the grid.

예를 들어, 2차원 시공간 이미지 생성부(120)는 평균 통행 속도에 따라 해당 구간을 R(Red) 채널, G(Green) 채널 및 B(Blue) 채널 중 어느 하나의 채널로 분류된다. 각각의 채널은 8비트의 256 색을 가지는 수치로 표현된다. 즉, 평균 통행 속도는 그 역으로 수치가 3채널의 RGB 색으로 보통은 0~1사이의 값으로 표시할 수 있다.For example, the two-dimensional spatio-temporal image generating unit 120 classifies the corresponding period into one of an R (Red) channel, a G (Green) channel, and a B (Blue) channel according to an average traffic speed. Each channel is represented by a value with 256 colors of 8 bits. In other words, the average traffic speed is the RGB color of the three channels in the reverse order, and can usually be expressed as a value between 0 and 1.

실시간 교통 혼잡 지수 생성부(130)는 2차원 시공간 이미지 생성부(120)에서 생성된 제어 대상 교차로에 대한 2차원 시공간 이미지 및 맞춤형 복합 데이터에 대한 2차원 시공간 이미지를 이용하여 실시간 교통 혼잡 지수를 생성하여 신호 제어부(140)에 제공한다.The real-time traffic congestion exponent generation unit 130 generates a real-time traffic congestion index using the two-dimensional space-time image of the control target intersection generated by the two-dimensional space-time image generator 120 and the two- And provides it to the signal controller 140.

실시간 교통 혼잡 지수 생성부(130)는 제어 대상 교차로에 대한 2차원 시공간 이미지 및 맞춤형 복합 데이터에 대한 2차원 시공간 이미지의 레이블링을 기반으로 하기의 [수학식 1]와 같이 실제값과 추정값과의 차이를 최소화하기 위한 실시간 교통 혼잡 지수를 생성한다.The real-time traffic congestion exponent generation unit 130 generates the real-time traffic congestion index based on the labeling of the two-dimensional space-time image and the two-dimensional space-time image of the customized complex data with respect to the control target intersection, Time traffic congestion index to minimize traffic congestion.

[수학식 1][Equation 1]

Figure 112018104959573-pat00001
Figure 112018104959573-pat00001

MES: 실제값과 추정값과의 차이,MES: the difference between the actual value and the estimated value,

X: 추정값,X: estimated value,

Y: 실제값,Y: actual value,

n: 전체 데이터 수n: total number of data

신호 제어부(140)는 실시간 교통 혼잡 지수 생성부(130)에 의해 생성된 실시간 교통 혼잡 지수에 따라 제어 대상 교차로의 신호를 제어한다. The signal controller 140 controls the signal of the control target intersection according to the real-time traffic congestion index generated by the real-time traffic congestion exponent generator 130.

일 실시예에서, 신호 제어부(140)는 실시간 교통 혼잡 지수 생성부(130)에 의해 생성된 실시간 교통 혼잡 지수의 패턴을 분석하여 혼잡 지수 예측 정보 범위 설정하고, 혼잡 지수 예측 정보 범위에 따라 제어 대상 교차로의 신호를 제어한다.In one embodiment, the signal controller 140 analyzes the pattern of the real-time traffic congestion index generated by the real-time traffic congestion exponent generator 130 to set the congestion exponent prediction information range, Controls the signal at the intersection.

이를 위해, 신호 제어부(140)는 실시간 교통 혼잡 지수 생성부(130)에 의해 생성된 실시간 교통 혼잡 지수의 변화 및 과거 이력 데이터에 대한 혼잡 패턴 비교 분석하여 혼잡 지수 예측 정보 범위를 설정한다. To this end, the signal controller 140 sets a congestion exponent prediction information range by comparing and analyzing congestion pattern changes of the real-time traffic congestion index generated by the real-time traffic congestion exponent generator 130 and past history data.

이때, 교통 혼잡지수는 단기적으로는 5분~15분, 장기적으로는 30분~1시간 단위로 정보가 수집되기 때문에, 이에 다양한 예측 정보 길이를 제어 알고리즘에 적용하여 평가하는 튜닝 작업을 통하여 예측 정보의 최적 활용 범위를 설정할 예정Since the traffic congestion index is collected in 5 to 15 minutes in the short term and 30 to 1 hour in the long term, it is possible to estimate the traffic congestion index Will set the optimum utilization range of

그런 다음, 신호 제어부(140)는 혼잡 지수 예측 정보 범위, 지역단위 교통 밀도(aggregated traffic density) 및 교통류 (aggregated traffic flow) 등 제어 알고리즘 입력 변수를 설정한 후 이에 따라 제어 대상 교차로의 신호를 제어한다.Then, the signal controller 140 sets the control algorithm input parameters such as the congestion exponent prediction information range, the aggregated traffic density and the aggregated traffic flow, and then controls the signal of the control target intersection .

도 3은 본 발명에 따른 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법의 일 실시예를 설명하기 위한 흐름도이다.FIG. 3 is a flowchart illustrating an embodiment of a deep learning-based urban traffic congestion prediction and signal control solution method according to the present invention.

도 3을 참조하면, 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 교차로 별 교통 수요 패턴 또는 교통 신호 제어에 따른 지역 단위 유출 교통량 행태를 분석한다(단계 S310). 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 상기 분석 결과에 따라 특정 교차로를 제어 대상 교차로로 결정한다(단계 S320).Referring to FIG. 3, the deep learning-based urban traffic congestion prediction and signal control solution server 100 analyzes a traffic demand pattern for each intersection or an area-based outflow traffic pattern according to a traffic signal control (step S310). Based on the analysis result, the deep learning-based urban traffic congestion prediction and signal control solution server 100 determines a specific intersection as an intersection to be controlled (step S320).

딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 미리 결정된 맞춤형 복합 데이터 중 상기 제어 대상 교차로에 대한 데이터 및 상기 제어 대상 교차로에 대한 복수의 이미지 데이터를 시간 및 공간으로 분석하여 2차원 시공간 이미지를 생성한다(단계 S330).The deep learning-based urban traffic congestion prediction and signal control solution server 100 analyzes data of the control target intersection and a plurality of image data of the control target intersection among predetermined customized complex data in time and space, And generates an image (step S330).

딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 제어 대상 교차로에 대한 2차원 시공간 이미지 및 상기 맞춤형 복합 데이터 중 상기 제어 대상 교차로의 데이터에 대한 2차원 시공간 이미지를 이용하여 실시간 교통 혼잡 지수를 생성한다(단계 S340).The deep learning-based urban traffic congestion prediction and signal control solution server 100 uses the two-dimensional space-time image of the control target intersection and the two-dimensional space-time image of the data of the control target intersection among the customized complex data, (Step S340).

딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버(100)는 실시간 교통 혼잡 지수에 따라 상기 제어 대상 교차로의 신호를 제어한다(단계 S350).The deep learning-based urban traffic congestion prediction and signal control solution server 100 controls the signal of the control target intersection according to the real-time traffic congestion index (step S350).

지금까지 본 발명에 따른 구체적인 실시예에 관하여 설명하였으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능함은 물론이다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허 청구의 범위뿐 아니라 이 특허 청구의 범위와 균등한 것들에 의해 정해져야 한다.While the present invention has been described in connection with what is presently considered to be practical exemplary embodiments, it is to be understood that the invention is not limited to the disclosed embodiments. Therefore, the scope of the present invention should not be limited to the described embodiments, but should be determined by the scope of the appended claims and equivalents thereof.

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, but, on the contrary, Modification is possible. Accordingly, the spirit of the present invention should be understood only in accordance with the following claims, and all equivalents or equivalent variations thereof are included in the scope of the present invention.

100: 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버
200: 날씨 정보 제공 서버
300: 도로 상황 정보 제공 서버
400: 교차로 정보 제공 서버100: Deep Learning Based Urban Traffic Congestion Prediction and Signal Control Solution Server
200: weather information providing server
300: Road situation information providing server
400: an intersection information providing server

Claims (8)

딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버에서 실행되는 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법에 있어서,
교차로 별 교통 수요 패턴 또는 교통 신호 제어에 따른 지역 단위 유출 교통량 행태를 분석하고, 상기 분석 결과에 따라 특정 교차로를 제어 대상 교차로로 결정하는 단계;
미리 결정된 맞춤형 복합 데이터 중 상기 제어 대상 교차로에 대한 데이터 및 상기 제어 대상 교차로에 대한 복수의 이미지 데이터를 시간 및 공간으로 분석하여 2차원 시공간 이미지를 생성하는 단계;
상기 제어 대상 교차로에 대한 2차원 시공간 이미지 및 상기 맞춤형 복합 데이터 중 상기 제어 대상 교차로의 데이터에 대한 2차원 시공간 이미지를 이용하여 실시간 교통 혼잡 지수를 생성하는 단계; 및
상기 실시간 교통 혼잡 지수에 따라 상기 제어 대상 교차로의 신호를 제어하는 단계를 포함하며
상기 미리 결정된 맞춤형 복합 데이터 중 상기 제어 대상 교차로에 대한 데이터 및 상기 제어 대상 교차로에 대한 복수의 이미지 데이터를 시간 및 공간으로 분석하여 2차원 시공간 이미지를 생성하는 단계는
상기 맞춤형 복합 데이터 중 시간 환경 정보 별로 날씨 정보 및 돌발 상황 정보 및 각각에 대한 공간 정보를 통해 도로 환경 정보와 융합하여 2차원 시공간 이미지를 생성하는 단계; 및
도로 환경 정보를 기초로 상기 2차원 시공간 이미지를 레이블링하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법.
Deep Learning Based Urban Traffic Congestion Prediction and Signal Control Solution Deep running based urban traffic congestion prediction and signal control solution method implemented in a server,
Analyzing a traffic demand pattern for each intersection or an outflow traffic pattern for each area according to a traffic signal control and determining a specific intersection as a control target intersection according to the analysis result;
Generating a two-dimensional space-time image by analyzing data on the control target intersection and a plurality of image data for the control target intersection in time and space among predetermined customized complex data;
Generating a real time traffic congestion index using a two-dimensional space-time image of the control target intersection and a two-dimensional space-time image of data of the control target intersection among the customized complex data; And
And controlling the signal of the control target intersection according to the real time traffic congestion index
Wherein the step of generating the two-dimensional space-time image by analyzing the data for the control target intersection and the plurality of image data for the control target intersection in time and space among the predetermined customized complex data
Generating a two-dimensional space-time image by fusing together weather information and weather information for each time environment information and spatial information for each of the customized complex data; And
And labeling the two-dimensional space-time image based on the road environment information. ≪ RTI ID = 0.0 > [10] < / RTI >
제1항에 있어서,
상기 교차로 별 교통 수요 패턴 또는 교통 신호 제어에 따른 지역 단위 유출 교통량 행태를 분석하고, 상기 분석 결과에 따라 특정 교차로를 제어 대상 교차로로 결정하는 단계는
도심부 도로 네트워크 지역 외부로 향하는 교통 수요(outbound demand)와 주거 도로 및 주차 공간과 같은 지역 내부로 향하는 교통 수요(local demand)에 대한 분석을 실행하여 지역 단위 교통량 변화를 결정하는 단계; 및
상기 지역 단위 교통량 변화에 따라 특정 교차로를 제어 대상 교차로로 결정하는 단계를 포함하는 것을 특징으로 하는
딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법.
The method according to claim 1,
Wherein the step of analyzing the traffic demand pattern for the intersection or the traffic pattern for the outflow of the area based on the traffic signal control and determining the specific intersection as the control target intersection according to the analysis result
Determining an area-based traffic volume change by analyzing an outbound demand to the outside of the urban road network area and a local demand to the inside area such as a residential road and a parking space; And
And determining a specific intersection as an intersection to be controlled according to the change in the amount of traffic in the area unit
Deep Learning Based Urban Traffic Congestion Prediction and Signal Control Solution.
제1항에 있어서,
상기 미리 결정된 맞춤형 복합 데이터 중 상기 제어 대상 교차로에 대한 데이터 및 상기 제어 대상 교차로에 대한 복수의 이미지 데이터를 시간 및 공간으로 분석하여 2차원 시공간 이미지를 생성하는 단계는
상기 제어 대상 교차로에 대한 2차원 시공간 이미지에서 공간을 특정 개수의 구간으로 나누어 2차원 시간 및 공간에 대한 그리드를 생성한 후, 각각의 구간마다의 평균 통행 속도를 계산하는 단계; 및
상기 평균 통행 속도에 따라 해당 구간을 복수의 채널 중 어느 하나의 채널로 결정한 후, 결정된 채널에 해당하는 수치를 그리드에 입력하는 단계를 포함하는 것을 특징으로 하는
딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법.
The method according to claim 1,
Wherein the step of generating the two-dimensional space-time image by analyzing the data for the control target intersection and the plurality of image data for the control target intersection in time and space among the predetermined customized complex data
Generating a grid for a two-dimensional time and space by dividing a space into a plurality of intervals in the two-dimensional space-time image for the control target intersection, and calculating an average traveling speed for each of the plurality of intervals; And
Determining a corresponding interval as one of the plurality of channels according to the average traveling speed, and inputting a value corresponding to the determined channel to the grid
Deep Learning Based Urban Traffic Congestion Prediction and Signal Control Solution.
삭제delete 교차로 별 교통 수요 패턴 또는 교통 신호 제어에 따른 지역 단위 유출 교통량 행태를 분석하고, 상기 분석 결과에 따라 특정 교차로를 제어 대상 교차로로 결정하는 제어 대상 교차로 결정부;
미리 결정된 맞춤형 복합 데이터 중 상기 제어 대상 교차로에 대한 데이터 및 상기 제어 대상 교차로에 대한 복수의 이미지 데이터를 시간 및 공간으로 분석하여 2차원 시공간 이미지를 생성하는 2차원 시공간 이미지 생성부;
상기 제어 대상 교차로에 대한 2차원 시공간 이미지 및 상기 맞춤형 복합 데이터 중 상기 제어 대상 교차로의 데이터에 대한 2차원 시공간 이미지를 이용하여 실시간 교통 혼잡 지수를 생성하는 실시간 교통 혼잡 지수 생성부; 및
상기 실시간 교통 혼잡 지수에 따라 상기 제어 대상 교차로의 신호를 제어하는 신호 제어부를 포함하며,
상기 2차원 시공간 이미지 생성부는 상기 맞춤형 복합 데이터 중 시간 환경 정보 별로 날씨 정보 및 돌발 상황 정보 및 각각에 대한 공간 정보를 통해 도로 환경 정보와 융합하여 2차원 시공간 이미지를 생성하고, 도로 환경 정보를 기초로 상기 2차원 시공간 이미지를 레이블링하는 것을 특징으로 하는
딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버.
A control intersection determining unit for analyzing a traffic demand pattern for each intersection or an outflow traffic pattern for each area according to a traffic signal control and determining a specific intersection as an intersection to be controlled according to the analysis result;
A two-dimensional space-time image generating unit for generating a two-dimensional space-time image by analyzing data on the control target intersection and a plurality of image data for the control target intersection in time and space among predetermined customized complex data;
A real time traffic congestion exponent generation unit for generating a real time traffic congestion index using the two-dimensional space-time image for the control target intersection and the two-dimensional space-time image for the control target intersection data among the customized complex data; And
And a signal controller for controlling a signal of the control target intersection according to the real time traffic congestion index,
The two-dimensional space-time image generating unit generates a two-dimensional space-time image by merging with the road environment information through the weather information, the sudden situation information, and the spatial information for each of the time environment information in the customized composite data, And labeling the two-dimensional space-time image
Deep Learning based urban traffic congestion prediction and signal control solution server.
제5항에 있어서,
상기 제어 대상 교차로 결정부는
도심부 도로 네트워크 지역 외부로 향하는 교통 수요(outbound demand)와 주거 도로 및 주차 공간과 같은 지역 내부로 향하는 교통 수요(local demand)에 대한 분석을 실행하여 지역 단위 교통량 변화를 결정하고, 상기 지역 단위 교통량 변화에 따라 특정 교차로를 제어 대상 교차로로 결정하는 것을 특징으로 하는
딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버.
6. The method of claim 5,
The control target intersection determining unit
It analyzes the outbound demand to the outside of the urban road network area and the local demand to the inside area such as the residential road and the parking space to determine the regional traffic volume change, And determines a specific intersection as an intersection to be controlled.
Deep Learning based urban traffic congestion prediction and signal control solution server.
제5항에 있어서,
상기 2차원 시공간 이미지 생성부는
상기 제어 대상 교차로에 대한 2차원 시공간 이미지에서 공간을 특정 개수의 구간으로 나누어 2차원 시간 및 공간에 대한 그리드를 생성한 후, 각각의 구간마다의 평균 통행 속도를 계산하고, 상기 평균 통행 속도에 따라 해당 구간을 복수의 채널 중 어느 하나의 채널로 결정한 후, 결정된 채널에 해당하는 수치를 그리드에 입력하는 것을 특징으로 하는
딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 서버.
6. The method of claim 5,
The two-dimensional space-time image generating unit
Dimensional space-time image by dividing the space into a predetermined number of sections in the two-dimensional space-time image for the control target intersection, generates a grid for the two-dimensional time and space, calculates an average traveling speed for each section, Determining a corresponding section as a channel among the plurality of channels, and inputting a value corresponding to the determined channel to the grid
Deep Learning based urban traffic congestion prediction and signal control solution server.
삭제delete
KR1020180127199A 2018-10-24 2018-10-24 Method of predicting road congestion based on deep learning and controlling signal and server performing the same KR101969064B1 (en)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020180127199A KR101969064B1 (en) 2018-10-24 2018-10-24 Method of predicting road congestion based on deep learning and controlling signal and server performing the same
US16/186,899 US10902719B2 (en) 2018-10-24 2018-11-12 Method of predicting traffic congestion and controlling traffic signals based on deep learning and server for performing the same
CN201811506394.2A CN111091705A (en) 2018-10-24 2018-12-10 Urban central area traffic jam prediction and signal control solution method based on deep learning and server for operating urban central area traffic jam prediction and signal control solution method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180127199A KR101969064B1 (en) 2018-10-24 2018-10-24 Method of predicting road congestion based on deep learning and controlling signal and server performing the same

Publications (1)

Publication Number Publication Date
KR101969064B1 true KR101969064B1 (en) 2019-04-15

Family

ID=66104929

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180127199A KR101969064B1 (en) 2018-10-24 2018-10-24 Method of predicting road congestion based on deep learning and controlling signal and server performing the same

Country Status (3)

Country Link
US (1) US10902719B2 (en)
KR (1) KR101969064B1 (en)
CN (1) CN111091705A (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210072326A (en) 2019-12-09 2021-06-17 주식회사 뉴로다임 Intelligent Traffic Control System Based on Artificial Intelligence
KR20210096463A (en) * 2020-01-28 2021-08-05 한국과학기술정보연구원 Appartus for providing traffic information, method thereof and storage media storing a program for providing traffic information
CN113409601A (en) * 2021-07-14 2021-09-17 深圳市广联智通科技有限公司 Signal lamp control method, device, equipment and medium based on intelligent information analysis
KR102355431B1 (en) * 2021-08-25 2022-02-08 한국건설기술연구원 AI based emergencies detection method and system
CN115394083A (en) * 2022-08-29 2022-11-25 合肥工业大学 Expressway traffic jam prediction method based on deep learning
KR20220168409A (en) * 2021-06-16 2022-12-23 경기대학교 산학협력단 Method and apparatus for prediction of traffic congestion based on lstm

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019212263A1 (en) * 2019-08-15 2021-02-18 Volkswagen Aktiengesellschaft Method for increasing the traffic flow density at a traffic light intersection
KR102155055B1 (en) * 2019-10-28 2020-09-11 라온피플 주식회사 Apparatus and method for controlling traffic signal based on reinforcement learning
CN112071093A (en) * 2020-04-22 2020-12-11 义硕智能股份有限公司 Control system and method for traffic signal lamp
CN111862636B (en) * 2020-08-10 2021-07-16 长春理工大学 Traffic signal control method and system
CN112100163A (en) * 2020-08-19 2020-12-18 北京航空航天大学 Road network state space-time prediction method based on three-dimensional convolutional neural network
CN112991719B (en) * 2021-01-28 2022-05-24 北京奥泽尔科技发展有限公司 Traffic congestion prediction method and system based on congestion portrait
CN113257008B (en) * 2021-05-12 2022-06-21 兰州交通大学 Pedestrian flow dynamic control system and method based on deep learning
CN114202917B (en) * 2021-12-02 2022-11-22 安徽庐峰交通科技有限公司 Construction area traffic control and induction method based on dynamic traffic flow short-time prediction
CN114220271B (en) * 2021-12-21 2023-06-30 南京理工大学 Traffic flow prediction method, equipment and storage medium based on dynamic space-time diagram convolution circulation network
CN114550453B (en) * 2022-02-23 2023-09-26 阿里巴巴（中国）有限公司 Model training method, model determining method, electronic device and computer storage medium
CN117173896B (en) * 2023-11-02 2024-01-16 深圳市地铁集团有限公司 Visual traffic control method based on ARM technology system
CN117274929A (en) * 2023-11-21 2023-12-22 深圳中科超远科技有限公司 Traffic management method and system based on visual analysis

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005071292A (en) * 2003-08-28 2005-03-17 Omron Corp Signal control unit
JP2008059615A (en) * 2007-11-21 2008-03-13 Omron Corp Traffic signal controller
KR20110026221A (en) * 2009-09-07 2011-03-15 자동차부품연구원 Analysis system of traffic environment and traffic situation
KR20150072471A (en) * 2013-12-19 2015-06-30 건국대학교 산학협력단 Traffic flow prediction system using spatiotemporal stochastic model
KR101696881B1 (en) * 2016-01-06 2017-01-17 주식회사 씨티아이에스 Method and apparatus for analyzing traffic information

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8755991B2 (en) * 2007-01-24 2014-06-17 Tomtom Global Assets B.V. Method and structure for vehicular traffic prediction with link interactions and missing real-time data
US8103436B1 (en) * 2007-11-26 2012-01-24 Rhythm Engineering, LLC External adaptive control systems and methods
US9412271B2 (en) * 2013-01-30 2016-08-09 Wavetronix Llc Traffic flow through an intersection by reducing platoon interference
CN103258427B (en) * 2013-04-24 2015-03-11 北京工业大学 Urban expressway traffic real-time monitoring system and method based on information physical network
CN104200680B (en) * 2014-08-18 2016-06-08 浙江大学 The coordinating control of traffic signals method of arterial street under supersaturation traffic behavior
CN106023605B (en) * 2016-07-15 2018-10-12 汤一平 A kind of method for controlling traffic signal lights based on depth convolutional neural networks
US10332391B2 (en) * 2016-12-06 2019-06-25 Here Global B.V. Split lane traffic jam detection and remediation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005071292A (en) * 2003-08-28 2005-03-17 Omron Corp Signal control unit
JP2008059615A (en) * 2007-11-21 2008-03-13 Omron Corp Traffic signal controller
KR20110026221A (en) * 2009-09-07 2011-03-15 자동차부품연구원 Analysis system of traffic environment and traffic situation
KR20150072471A (en) * 2013-12-19 2015-06-30 건국대학교 산학협력단 Traffic flow prediction system using spatiotemporal stochastic model
KR101696881B1 (en) * 2016-01-06 2017-01-17 주식회사 씨티아이에스 Method and apparatus for analyzing traffic information

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210072326A (en) 2019-12-09 2021-06-17 주식회사 뉴로다임 Intelligent Traffic Control System Based on Artificial Intelligence
KR20210096463A (en) * 2020-01-28 2021-08-05 한국과학기술정보연구원 Appartus for providing traffic information, method thereof and storage media storing a program for providing traffic information
KR102296576B1 (en) 2020-01-28 2021-09-02 한국과학기술정보연구원 Appartus for providing traffic information, method thereof and storage media storing a program for providing traffic information
KR20220168409A (en) * 2021-06-16 2022-12-23 경기대학교 산학협력단 Method and apparatus for prediction of traffic congestion based on lstm
KR102546540B1 (en) 2021-06-16 2023-06-22 경기대학교 산학협력단 Method and apparatus for prediction of traffic congestion based on lstm
CN113409601A (en) * 2021-07-14 2021-09-17 深圳市广联智通科技有限公司 Signal lamp control method, device, equipment and medium based on intelligent information analysis
CN113409601B (en) * 2021-07-14 2021-12-31 深圳市广联智通科技有限公司 Signal lamp control method, device, equipment and medium based on intelligent information analysis
KR102355431B1 (en) * 2021-08-25 2022-02-08 한국건설기술연구원 AI based emergencies detection method and system
CN115394083A (en) * 2022-08-29 2022-11-25 合肥工业大学 Expressway traffic jam prediction method based on deep learning
CN115394083B (en) * 2022-08-29 2023-06-06 合肥工业大学 Highway traffic jam prediction method based on deep learning

Also Published As

Publication number Publication date
US20200135018A1 (en) 2020-04-30
US10902719B2 (en) 2021-01-26
CN111091705A (en) 2020-05-01

Similar Documents

Publication Publication Date Title
KR101969064B1 (en) Method of predicting road congestion based on deep learning and controlling signal and server performing the same
US11521496B2 (en) Lane-borrowing vehicle driving method and control center
Dotoli et al. A signal timing plan formulation for urban traffic control
Zhang et al. Optimizing minimum and maximum green time settings for traffic actuated control at isolated intersections
US11145198B2 (en) Predictive traffic management system
CN110648533A (en) Traffic control method, equipment, system and storage medium
CN205665896U (en) Intersection signal lamp state recognition device
CN104680820A (en) Traffic flow car networking system and traffic flow control method based on gradient field
CN113496602A (en) Intelligent roadside tool box
WO2021073716A1 (en) Traffic reasoner
KR20210092036A (en) Standalone apparatus for controlling traffic signal lamp
CN114419897A (en) Urban traffic CIM system based on V2X technology and display method thereof
Younes Real-time traffic distribution prediction protocol (TDPP) for vehicular networks
Ranka et al. A vision of smart traffic infrastructure for traditional, connected, and autonomous vehicles
Sinha et al. Sustainable time series model for vehicular traffic trends prediction in metropolitan network
Kaths et al. Traffic signals in connected vehicle environments: Chances, challenges and examples for future traffic signal control
Trivedi et al. A vision-based real-time adaptive traffic light control system using vehicular density value and statistical block matching approach
Lin et al. Service-oriented dynamic data driven application systems to traffic signal control
Gamel et al. Machine learning-based traffic management techniques for intelligent transportation system
KR20220168409A (en) Method and apparatus for prediction of traffic congestion based on lstm
Dubey Adaptive Traffic Control System: The Smart and Imperative Traffic Monitoring System for India
CN116580585A (en) Intelligent traffic management control system based on 5G technology
Alkhatib et al. A New System for Road Traffic Optimisation Using the Virtual Traffic Light Technology.
CN117456737B (en) Intelligent traffic big data processing method and system based on 3D visual intelligence
Kumar et al. An emerging application of Intelligent Networks in Transportation and Industry automation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant